Objectifs: Grâce à sa haute résolution temporelle, l’électro-encéphalographie (EEG) est devenue une technologie répandue pour des applications de suivi de l’activité cérébrale en temps-réel, comme le neurofeedback (NFB) et les interfaces cerveau–machine (ICM). Cependant, les signaux EEG étant sensibles aux artéfacts, le débruitage est une étape essentielle qui permet un traitement et une interprétation convenables de la donnée. Le but de cette étude est de comparer les méthodes de débruitage manuel et de débruitage en ligne non supervisé, essentiel pour les applications temps-réel. Méthodes: Débruiter l’EEG pour des applications temps-réel exige l’implémentation de méthodes de débruitage en ligne non-supervisées. De plus, afin d’être génériques, ces méthodes ne devraient pas s’appuyer sur une référence électro-oculographique (EOG), ni sur un modèle temporel ou spatial des artéfacts. Deux méthodes de séparation aveugle de source (SAS) sont analysées dans ce papier avec le but d’automatiquement corriger en ligne les artéfacts de clignements des yeux : l’algorithme d’extraction de multiples signaux inconnus (AEMSI) et la diagonalisation conjointe approchée des cospectres de Fourier (DCAC). Le test de référence choisi est l’examen manuel de la base de données complète, réalisée rétrospectivement par un opérateur humain. La comparaison est réalisée en utilisant les propriétés spectrales de l’EEG continu et les potentiels évoqués. Résultats et conclusion: L’algorithme DCAC résout les limitations observes dans AEMSI et s’avère plus performant. Aucune différence statistique n’est trouvée entre les approches manuelle et automatique sur une base de données composée de 15 sujets sains, ouvrant la voie pour une technique de correction de clignement des yeux automatique, sans opérateur et temps-réel